SenseChat-Turbo is de lichte variant voor algemene dialoog in de SenseNova-modellenreeks van SenseTime. De maker positioneert het voor snelle vraagbeantwoording en scenario's voor modelafstemming. Gebruik het voor een duidelijk afgebakende teksttaak: een vraag beantwoorden op basis van aangeleverde informatie, een kort bericht herschrijven, de kern van een passage vaststellen of een gericht gesprek voortzetten.
Benoem wat het antwoord moet bereiken en voeg de informatie toe die nodig is om het te produceren. Lever voor een klantgerichte uitleg de relevante productfeiten aan en vraag om een beknopt antwoord op de werkelijke vraag. Geef voor een herschrijving de oorspronkelijke formulering, de doelgroep en de gewenste toon. Scheid te analyseren materiaal van instructies over de presentatie van het resultaat.
Een bruikbare briefing is: “Gebruik het aangeleverde beleidsfragment om uit te leggen welke stap op deze situatie van toepassing is en som vervolgens op welke informatie nog nodig is.” De resulterende tekst moet onderscheid maken tussen een onderbouwd antwoord en een vraag die het fragment niet oplost. Een kort antwoord is gemakkelijker te gebruiken wanneer het één duidelijke kwestie beantwoordt in plaats van meerdere niet-gerelateerde doelen te vermengen.
De tekstgesprekswerkwijze van de producent gebruikt berichten met rollabels en ondersteunt een reeks gebruikersverzoeken en assistentantwoorden. Bewaar de eerdere beurt wanneer een vervolgvraag ernaar verwijst, samen met elk feit of elke beperking die nog van belang is. In een workflow zonder gespreksgeschiedenis op de server levert de applicatie de relevante geschiedenis met het volgende verzoek aan.
Bewaar bij een doorlopend ondersteuningsgesprek de vraag die al is verduidelijkt en de waarneming die de gebruiker heeft aangeleverd. Vraag het volgende antwoord om vanuit die toestand verder te gaan. Verwijder niet-relevant materiaal dat van de huidige taak afleidt en reserveer binnen de gespreksconfiguratie ruimte voor het antwoord.
SenseTime noemt scenario's voor modelafstemming als onderdeel van de positionering van Turbo. Bereid voor taakspecifieke aanpassing representatieve invoer- en antwoordvoorbeelden voor die het gewenste gedrag tonen: woordenschat, antwoordvorm, detailniveau en omgang met ontbrekende informatie. Houd het verwachte antwoord in elk voorbeeld in overeenstemming met de bronfeiten.
Bruikbare voorbeelden kunnen een feitelijk antwoord onderscheiden van een verzoek om verduidelijking, of een korte uitleg van een gestructureerde veldenlijst. Neem naast eenvoudige gevallen ook moeilijke of dubbelzinnige gevallen op. Controleer de voorbeelden aan de hand van de beoogde taak voordat je hun formulering als een te herhalen patroon behandelt. Deze voorbereiding beschrijft het gewenste dialooggedrag; de omringende aanpassingsworkflow bepaalt hoe de voorbeelden worden gebruikt.
De gespreksinterfaces van de maker ondersteunen volledige tekst en gestreamde tekst. Een volledige respons geeft het antwoord als één resultaat; een stream levert opeenvolgende delen die de applicatie samenvoegt. Bewaar het afgeronde antwoord voor beoordeling of hergebruik, in plaats van de taak alleen aan de eerste zichtbare woorden te beoordelen.
Controleer bij extractie of classificatie de werkelijke velden of labels aan de hand van de bron. Vergelijk bij een herschrijving of de betekenis behouden is gebleven bij de gevraagde toonwijziging. Controleer bij een vraag-en-antwoordgesprek of het antwoord de huidige kwestie behandelt en of een eventueel vervolgverzoek relevant is.
Turbo en SenseChat-5 zijn afzonderlijk benoemde modellen voor algemene dialoog. SenseChat-5-Cantonese, de modellen voor personagedialoog en de modellen voor vision of gecombineerde modaliteiten hebben ook hun eigen modelvarianten. Bewaar de geselecteerde editie en de aangeleverde tekst bij het eindantwoord wanneer je een taak vergelijkt of een applicatiegesprek voortzet.
Kies de rol van Turbo voor afgebakende dialoog wanneer het resultaat een beknopt, bruikbaar stuk tekst moet zijn. Geef het antwoord een expliciete bestemming — een reactie, een herziene alinea, een veldenlijst of een verduidelijkingsvraag — en controleer dat eindresultaat op feitelijke aansluiting, formulering en volledigheid voordat je het in de volgende stap gebruikt.
", "aboutText": "### Snelle vragen en dialoog op maat\n\nSenseChat-Turbo is de lichte variant voor algemene dialoog in de SenseNova-modellenreeks van SenseTime. De maker positioneert het voor snelle vraagbeantwoording en scenario's voor modelafstemming. Gebruik het voor een duidelijk afgebakende teksttaak: een vraag beantwoorden op basis van aangeleverde informatie, een kort bericht herschrijven, de kern van een passage vaststellen of een gericht gesprek voortzetten.\n\n### Geef het model een precies verzoek\n\nBenoem wat het antwoord moet bereiken en voeg de informatie toe die nodig is om het te produceren. Lever voor een klantgerichte uitleg de relevante productfeiten aan en vraag om een beknopt antwoord op de werkelijke vraag. Geef voor een herschrijving de oorspronkelijke formulering, de doelgroep en de gewenste toon. Scheid te analyseren materiaal van instructies over de presentatie van het resultaat.\n\nEen bruikbare briefing is: “Gebruik het aangeleverde beleidsfragment om uit te leggen welke stap op deze situatie van toepassing is en som vervolgens op welke informatie nog nodig is.” De resulterende tekst moet onderscheid maken tussen een onderbouwd antwoord en een vraag die het fragment niet oplost. Een kort antwoord is gemakkelijker te gebruiken wanneer het één duidelijke kwestie beantwoordt in plaats van meerdere niet-gerelateerde doelen te vermengen.\n\n### Houd de gesprekscontext relevant\n\nDe tekstgesprekswerkwijze van de producent gebruikt berichten met rollabels en ondersteunt een reeks gebruikersverzoeken en assistentantwoorden. Bewaar de eerdere beurt wanneer een vervolgvraag ernaar verwijst, samen met elk feit of elke beperking die nog van belang is. In een workflow zonder gespreksgeschiedenis op de server levert de applicatie de relevante geschiedenis met het volgende verzoek aan.\n\nBewaar bij een doorlopend ondersteuningsgesprek de vraag die al is verduidelijkt en de waarneming die de gebruiker heeft aangeleverd. Vraag het volgende antwoord om vanuit die toestand verder te gaan. Verwijder niet-relevant materiaal dat van de huidige taak afleidt en reserveer binnen de gespreksconfiguratie ruimte voor het antwoord.\n\n### Bereid taakspecifieke voorbeelden voor\n\nSenseTime noemt scenario's voor modelafstemming als onderdeel van de positionering van Turbo. Bereid voor taakspecifieke aanpassing representatieve invoer- en antwoordvoorbeelden voor die het gewenste gedrag tonen: woordenschat, antwoordvorm, detailniveau en omgang met ontbrekende informatie. Houd het verwachte antwoord in elk voorbeeld in overeenstemming met de bronfeiten.\n\nBruikbare voorbeelden kunnen een feitelijk antwoord onderscheiden van een verzoek om verduidelijking, of een korte uitleg van een gestructureerde veldenlijst. Neem naast eenvoudige gevallen ook moeilijke of dubbelzinnige gevallen op. Controleer de voorbeelden aan de hand van de beoogde taak voordat je hun formulering als een te herhalen patroon behandelt. Deze voorbereiding beschrijft het gewenste dialooggedrag; de omringende aanpassingsworkflow bepaalt hoe de voorbeelden worden gebruikt.\n\n### Volledige en gestreamde antwoorden\n\nDe gespreksinterfaces van de maker ondersteunen volledige tekst en gestreamde tekst. Een volledige respons geeft het antwoord als één resultaat; een stream levert opeenvolgende delen die de applicatie samenvoegt. Bewaar het afgeronde antwoord voor beoordeling of hergebruik, in plaats van de taak alleen aan de eerste zichtbare woorden te beoordelen.\n\nControleer bij extractie of classificatie de werkelijke velden of labels aan de hand van de bron. Vergelijk bij een herschrijving of de betekenis behouden is gebleven bij de gevraagde toonwijziging. Controleer bij een vraag-en-antwoordgesprek of het antwoord de huidige kwestie behandelt en of een eventueel vervolgverzoek relevant is.\n\n### Houd de Turbo-editie gescheiden\n\nTurbo en SenseChat-5 zijn afzonderlijk benoemde modellen voor algemene dialoog. SenseChat-5-Cantonese, de modellen voor personagedialoog en de modellen voor vision of gecombineerde modaliteiten hebben ook hun eigen modelvarianten. Bewaar de geselecteerde editie en de aangeleverde tekst bij het eindantwoord wanneer je een taak vergelijkt of een applicatiegesprek voortzet.\n\nKies de rol van Turbo voor afgebakende dialoog wanneer het resultaat een beknopt, bruikbaar stuk tekst moet zijn. Geef het antwoord een expliciete bestemming — een reactie, een herziene alinea, een veldenlijst of een verduidelijkingsvraag — en controleer dat eindresultaat op feitelijke aansluiting, formulering en volledigheid voordat je het in de volgende stap gebruikt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.SenseChat-TurboSenseChat-Turbo van SenseTime is een licht tekstgespreksmodel dat is gericht op snelle vragen en taakspecifieke aanpassing. Bereid beknopte verzoeken voor, houd de relevante dialoog bij elkaar en controleer het afgeronde antwoord aan de hand van de feiten die voor de taak zijn aangeleverd.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
SenseChat-Turbo is de lichte variant voor algemene dialoog in de SenseNova-modellenreeks van SenseTime. De maker positioneert het voor snelle vraagbeantwoording en scenario's voor modelafstemming. Gebruik het voor een duidelijk afgebakende teksttaak: een vraag beantwoorden op basis van aangeleverde informatie, een kort bericht herschrijven, de kern van een passage vaststellen of een gericht gesprek voortzetten.
Benoem wat het antwoord moet bereiken en voeg de informatie toe die nodig is om het te produceren. Lever voor een klantgerichte uitleg de relevante productfeiten aan en vraag om een beknopt antwoord op de werkelijke vraag. Geef voor een herschrijving de oorspronkelijke formulering, de doelgroep en de gewenste toon. Scheid te analyseren materiaal van instructies over de presentatie van het resultaat.
Een bruikbare briefing is: “Gebruik het aangeleverde beleidsfragment om uit te leggen welke stap op deze situatie van toepassing is en som vervolgens op welke informatie nog nodig is.” De resulterende tekst moet onderscheid maken tussen een onderbouwd antwoord en een vraag die het fragment niet oplost. Een kort antwoord is gemakkelijker te gebruiken wanneer het één duidelijke kwestie beantwoordt in plaats van meerdere niet-gerelateerde doelen te vermengen.
De tekstgesprekswerkwijze van de producent gebruikt berichten met rollabels en ondersteunt een reeks gebruikersverzoeken en assistentantwoorden. Bewaar de eerdere beurt wanneer een vervolgvraag ernaar verwijst, samen met elk feit of elke beperking die nog van belang is. In een workflow zonder gespreksgeschiedenis op de server levert de applicatie de relevante geschiedenis met het volgende verzoek aan.
Bewaar bij een doorlopend ondersteuningsgesprek de vraag die al is verduidelijkt en de waarneming die de gebruiker heeft aangeleverd. Vraag het volgende antwoord om vanuit die toestand verder te gaan. Verwijder niet-relevant materiaal dat van de huidige taak afleidt en reserveer binnen de gespreksconfiguratie ruimte voor het antwoord.
SenseTime noemt scenario's voor modelafstemming als onderdeel van de positionering van Turbo. Bereid voor taakspecifieke aanpassing representatieve invoer- en antwoordvoorbeelden voor die het gewenste gedrag tonen: woordenschat, antwoordvorm, detailniveau en omgang met ontbrekende informatie. Houd het verwachte antwoord in elk voorbeeld in overeenstemming met de bronfeiten.
Bruikbare voorbeelden kunnen een feitelijk antwoord onderscheiden van een verzoek om verduidelijking, of een korte uitleg van een gestructureerde veldenlijst. Neem naast eenvoudige gevallen ook moeilijke of dubbelzinnige gevallen op. Controleer de voorbeelden aan de hand van de beoogde taak voordat je hun formulering als een te herhalen patroon behandelt. Deze voorbereiding beschrijft het gewenste dialooggedrag; de omringende aanpassingsworkflow bepaalt hoe de voorbeelden worden gebruikt.
De gespreksinterfaces van de maker ondersteunen volledige tekst en gestreamde tekst. Een volledige respons geeft het antwoord als één resultaat; een stream levert opeenvolgende delen die de applicatie samenvoegt. Bewaar het afgeronde antwoord voor beoordeling of hergebruik, in plaats van de taak alleen aan de eerste zichtbare woorden te beoordelen.
Controleer bij extractie of classificatie de werkelijke velden of labels aan de hand van de bron. Vergelijk bij een herschrijving of de betekenis behouden is gebleven bij de gevraagde toonwijziging. Controleer bij een vraag-en-antwoordgesprek of het antwoord de huidige kwestie behandelt en of een eventueel vervolgverzoek relevant is.
Turbo en SenseChat-5 zijn afzonderlijk benoemde modellen voor algemene dialoog. SenseChat-5-Cantonese, de modellen voor personagedialoog en de modellen voor vision of gecombineerde modaliteiten hebben ook hun eigen modelvarianten. Bewaar de geselecteerde editie en de aangeleverde tekst bij het eindantwoord wanneer je een taak vergelijkt of een applicatiegesprek voortzet.
Kies de rol van Turbo voor afgebakende dialoog wanneer het resultaat een beknopt, bruikbaar stuk tekst moet zijn. Geef het antwoord een expliciete bestemming — een reactie, een herziene alinea, een veldenlijst of een verduidelijkingsvraag — en controleer dat eindresultaat op feitelijke aansluiting, formulering en volledigheid voordat je het in de volgende stap gebruikt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten SenseChat-Turbo | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00154 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "SenseChat-Turbo", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='SenseChat-Turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='SenseChat-Turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra SenseChat-Turbo
Gebruik de hierboven getoonde methodepaden.
SenseChat-TurboSenseChat-Turbo van SenseTime is een licht tekstgespreksmodel dat is gericht op snelle vragen en taakspecifieke aanpassing. Bereid beknopte verzoeken voor, houd de relevante dialoog bij elkaar en controleer het afgeronde antwoord aan de hand van de feiten die voor de taak zijn aangeleverd.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
SenseChat-Turbo is de lichte variant voor algemene dialoog in de SenseNova-modellenreeks van SenseTime. De maker positioneert het voor snelle vraagbeantwoording en scenario's voor modelafstemming. Gebruik het voor een duidelijk afgebakende teksttaak: een vraag beantwoorden op basis van aangeleverde informatie, een kort bericht herschrijven, de kern van een passage vaststellen of een gericht gesprek voortzetten.
Benoem wat het antwoord moet bereiken en voeg de informatie toe die nodig is om het te produceren. Lever voor een klantgerichte uitleg de relevante productfeiten aan en vraag om een beknopt antwoord op de werkelijke vraag. Geef voor een herschrijving de oorspronkelijke formulering, de doelgroep en de gewenste toon. Scheid te analyseren materiaal van instructies over de presentatie van het resultaat.
Een bruikbare briefing is: “Gebruik het aangeleverde beleidsfragment om uit te leggen welke stap op deze situatie van toepassing is en som vervolgens op welke informatie nog nodig is.” De resulterende tekst moet onderscheid maken tussen een onderbouwd antwoord en een vraag die het fragment niet oplost. Een kort antwoord is gemakkelijker te gebruiken wanneer het één duidelijke kwestie beantwoordt in plaats van meerdere niet-gerelateerde doelen te vermengen.
De tekstgesprekswerkwijze van de producent gebruikt berichten met rollabels en ondersteunt een reeks gebruikersverzoeken en assistentantwoorden. Bewaar de eerdere beurt wanneer een vervolgvraag ernaar verwijst, samen met elk feit of elke beperking die nog van belang is. In een workflow zonder gespreksgeschiedenis op de server levert de applicatie de relevante geschiedenis met het volgende verzoek aan.
Bewaar bij een doorlopend ondersteuningsgesprek de vraag die al is verduidelijkt en de waarneming die de gebruiker heeft aangeleverd. Vraag het volgende antwoord om vanuit die toestand verder te gaan. Verwijder niet-relevant materiaal dat van de huidige taak afleidt en reserveer binnen de gespreksconfiguratie ruimte voor het antwoord.
SenseTime noemt scenario's voor modelafstemming als onderdeel van de positionering van Turbo. Bereid voor taakspecifieke aanpassing representatieve invoer- en antwoordvoorbeelden voor die het gewenste gedrag tonen: woordenschat, antwoordvorm, detailniveau en omgang met ontbrekende informatie. Houd het verwachte antwoord in elk voorbeeld in overeenstemming met de bronfeiten.
Bruikbare voorbeelden kunnen een feitelijk antwoord onderscheiden van een verzoek om verduidelijking, of een korte uitleg van een gestructureerde veldenlijst. Neem naast eenvoudige gevallen ook moeilijke of dubbelzinnige gevallen op. Controleer de voorbeelden aan de hand van de beoogde taak voordat je hun formulering als een te herhalen patroon behandelt. Deze voorbereiding beschrijft het gewenste dialooggedrag; de omringende aanpassingsworkflow bepaalt hoe de voorbeelden worden gebruikt.
De gespreksinterfaces van de maker ondersteunen volledige tekst en gestreamde tekst. Een volledige respons geeft het antwoord als één resultaat; een stream levert opeenvolgende delen die de applicatie samenvoegt. Bewaar het afgeronde antwoord voor beoordeling of hergebruik, in plaats van de taak alleen aan de eerste zichtbare woorden te beoordelen.
Controleer bij extractie of classificatie de werkelijke velden of labels aan de hand van de bron. Vergelijk bij een herschrijving of de betekenis behouden is gebleven bij de gevraagde toonwijziging. Controleer bij een vraag-en-antwoordgesprek of het antwoord de huidige kwestie behandelt en of een eventueel vervolgverzoek relevant is.
Turbo en SenseChat-5 zijn afzonderlijk benoemde modellen voor algemene dialoog. SenseChat-5-Cantonese, de modellen voor personagedialoog en de modellen voor vision of gecombineerde modaliteiten hebben ook hun eigen modelvarianten. Bewaar de geselecteerde editie en de aangeleverde tekst bij het eindantwoord wanneer je een taak vergelijkt of een applicatiegesprek voortzet.
Kies de rol van Turbo voor afgebakende dialoog wanneer het resultaat een beknopt, bruikbaar stuk tekst moet zijn. Geef het antwoord een expliciete bestemming — een reactie, een herziene alinea, een veldenlijst of een verduidelijkingsvraag — en controleer dat eindresultaat op feitelijke aansluiting, formulering en volledigheid voordat je het in de volgende stap gebruikt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten SenseChat-Turbo | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00154 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-Turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-Turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra SenseChat-Turbo
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.